[发明专利]一种基于深度学习的稻穗识别方法、系统、装置及介质

说明书

本发明涉及一种基于深度学习的稻穗识别方法、系统、装置和介质，方法包括获取农田的多个原始水稻样本图像，并根据所有原始水稻样本图像构建水稻图像数据库；对所有原始水稻样本图像进行处理，得到多个目标水稻样本图像并存储入水稻图像数据库中，从水稻图像数据库中获取目标水稻数据集；基于YOLOv3深度学习方法，对目标水稻数据集进行训练，得到神经网络稻穗识别模型；利用神经网络稻穗识别模型对农田中的待检测稻穗进行识别，得到识别结果。本发明能够克服农田复杂背景环境的干扰因素，实现稻穗这类小目标的定位和识别，定位和识别效果得到了大大提升，有利于通过稻穗来观察水稻的生长状态，有助于保障水稻产量，促进了智慧农业的发展。

技术领域

本发明涉及智慧农业和信息化农业技术领域，尤其涉及一种基于深度学习的稻穗识别方法、系统、装置和介质。

背景技术

水稻是我国最主要的粮食作物，我国水稻种植面积达3000万公顷，产量占粮食总产量的40％，水稻生产担负着确保我国粮食安全的重大责任。在保证水稻产量的过程中，实施精准农作是其中最重要的一环。而实施精准农作的前提是实时、准确获取农田信息和水稻生长动态，例如实时获取和观察水稻稻穗的生产状态。

随着科技的迅速发展和农业信息化的普及，越来越多的人工智能应用到农业领域中，例如土壤分析、农业灌溉和农药喷洒等。但对于小物体的识别，特别是农田水稻稻穗的识别上，鲜有人应用。

对于农田环境，背景十分复杂，有各种杂乱的叶子、光照影响等影响因素，因此，目前传统的目标识别方法无法较好地识别出小目标，对稻穗识别的效果不佳，无法更好地帮助观察水稻的生长状态。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于深度学习的稻穗识别方法、系统、装置和介质，能够在农田复杂环境下识别出分散杂乱的小目标，对稻穗的定位效果和识别效果好，有利于通过稻穗来观察水稻的生长状态。

本发明解决上述技术问题的技术方案如下：

一种基于深度学习的稻穗识别方法，包括以下步骤：

步骤1：获取农田的多个原始水稻样本图像，并根据所有原始水稻样本图像构建水稻图像数据库；

步骤2：对所述水稻图像数据库中的所有原始水稻样本图像进行处理，得到多个目标水稻样本图像，将所有目标水稻样本图像存储入所述水稻图像数据库中，并从所述水稻图像数据库中获取目标水稻数据集；

步骤3：基于YOLOv3深度学习方法，对所述目标水稻数据集进行训练，得到神经网络稻穗识别模型；

步骤4：利用所述神经网络稻穗识别模型对农田中的待检测稻穗进行识别，得到识别结果。

本发明的有益效果是：通过获取多个原始水稻样本图像，并构建水稻图像数据库，便于对原始水稻样本图像进行管理，从而方便后续的图像处理和训练，获得识别率较高的神经网络稻穗识别模型；通过对水稻图像数据库中的所有原始水稻样本图像进行处理，便于获取质量较高的目标水稻数据集，为后续深度学习方法提供样本，从而方便后续的深度学习训练，有效提高训练质量，从而提高神经网络稻穗识别模型对待检测稻穗的定位和识别的准确率；由于农田环境较为复杂，背景十分复杂，干扰因素众多，稻穗本身属于小目标，在整个原始水稻样本图像中，有很多稻穗，且占整个图像的面积小、分布杂乱、不集中，而YOLOv3(You Only Look Once version 3的缩写)深度学习方法，是一种基于深度卷积神经网络的多目标物体检测算法，基于深度卷积神经网络，对样本数据集进行训练，获得训练好的神经网络权值参数，再利用该训练好的神经网络权值参数对稻穗进行识别，能有效定位出复杂农田环境下的稻穗，因此，采用基于YOLOv3深度学习方法对目标水稻数据集进行训练，具有较好的训练效果，得到的神经网络稻穗识别模型克服了农田复杂背景环境的干扰因素，对稻穗的定位和识别效果得到了大大提升，为稻穗这些小目标的识别提供了理论基础，从而有利于通过稻穗来观察水稻的生长状态，有助于保障水稻产量，促进了智慧农业的发展。